一组数据的极大似然估计通过使用审查MLE，然后找到使用极大似然估计的负对数似然lognlike。

生成从与所述参数5和2对数正态分布1000张的随机数。

RNG（'默认'）％用于重现N = 1000;样品的数量％X = lognrnd（5,2，[N，1]）;

发现通过使用用于分布参数极大似然估计（对数值的平均值和标准差）MLE。

柏= MLE（X，'分配'，“对数”）

PHAT =1×24.9347 1.9969

找到极大似然估计的负对数似然。

nlogL = lognlike（柏，x）的

nlogL = 7.0453e + 03

求对数正态分布参数的最大似然估计（极大似然估计），然后找到相应的CDF值的置信区间。

生成从与所述参数5和2对数正态分布1000张的随机数。

RNG（'默认'）％用于重现N = 1000;样品的数量％X = lognrnd（5,2，N，1）;

发现通过使用用于分布参数极大似然估计（对数值的平均值和标准差）MLE。

柏= MLE（X，'分配'，“对数”）

PHAT =1×24.9347 1.9969

muHat =柏（1）;sigmaHat =柏（2）;

通过使用估计的分布参数的协方差lognlike。功能lognlike返回的近似值渐近协方差矩阵如果传递极大似然估计和用于估计极大似然估计的样本。

[〜，pCov] = lognlike（柏，x）的

pCov =2×20.0040 -0.0000 -0.0000 0.0020

寻找在0.5 CDF值和95％置信区间。

[P，PLO，PUP] = logncdf（0.5，muHat，sigmaHat，pCov）

p值= 0.0024

PLO = 0.0016

PUP = 0.0037

p是与参数的对数正态分布的CDF值muHat和sigmaHat。间隔[PLO，PUP]在CDF的95％置信区间在0.5评价，考虑的不确定性muHat和sigmaHat运用pCov。的95％置信区间表示该概率[PLO，PUP]包含真正的CDF值是0.95。